Lampiran 1.1. Small Area Estimation (SAE) untuk analisis data dan indikator FSVA tingkat Provinsi 1.

1 Latar Belakang
Dewan Ketahanan Pangan (DKP) dan World Food Programme (WFP) mengembangkan bersama-sama Peta Ketahanan dan Kerentanan Pangan (Food Security and Vulnerability Atlas-FSVA) edisi kedua. FSVA tingkat nasional tersebut telah diluncurkan oleh Presiden Republik Indonesia dan Menteri Pertanian pada tanggal 24 Mei 2010 di dalam forum pertemuan tahunan Dewan Ketahanan Pangan di Jakarta. Berdasarkan INPRES No. 1 tahun 19 Februari 2010, DKP melalui Badan Ketahanan Pangan - Kementerian Pertanian (BKP) selaku sekretariat DKP merencanakan pengembangan FSVA tingkat provinsi di mana tingkat analisisnya sampai dengan kecamatan, yang berkaitan untuk meningkatkan kemampuan dalam targeting dan efektifitas penanganan kerawanan pangan dan gizi. Tim Asistensi FSVA Pusat telah dibentuk oleh BKP pada bulan Februari 2010, dengan WFP menjadi salah satu anggota tim. WFP berkomitmen untuk menyediakan bantuan teknis pada tingkat nasional, provinsi maupun kabupaten yang meliputi proses pengumpulan data, validasi data, konsolidasi, analisis, pembuatan laporan dan pelatihan untuk pelatih (Training of Trainers-ToT). Metode Small Area Estimation (SAE) yang menghasilkan beberapa indikator merupakan salah satu metode analisis yang diperlukan dalam pengembangan FSVA tingkat provinsi. Sehubungan dengan terbatasnya kemampuan teknis metode SAE, maka DKP dan WFP telah bekerjasama dengan ahli-ahli SAE dari Badan Pusat Statistik (BPS) dan Institut Pertanian Bogor (IPB) untuk menyediakan indikator-indikator FSVA tingkat provinsi dengan menggunakan metode SAE.

1.2

Tujuan

SAE merupakan suatu metode yang menggunakan modeling untuk mengestimasi karakteristik suatu data sosial ekonomi yang memiliki tingkat agregasi tinggi (provinsi atau kabupaten) ke tingkat agregasi yang lebih rendah (kabupaten atau desa atau rumahtangga) karena terbatasnya ketersediaan data primer pada tingkat agregasi rendah. Kebutuhan terhadap metode SAE telah meningkat secara signifikan selama kurun waktu 10 tahun terakhir dan metode ini telah digunakan dan di akui secara internasional. Di Indonesia, metode SAE telah digunakan oleh BPS, Bank Dunia dan SMERU untuk menghitung angka kemiskinan pada tahun 2000 serta pengembangan Peta Gizi (Nutrition Map) oleh BPS dan WFP pada tahun 2006. Pada tahun 2010, metode SAE menjadi hal yang sangat penting untuk analisis dan pengembangan FSVA tingkat provinsi dengan level analisis sampai dengan tingkat kecamatan. Hal ini berkaitan dengan hasil review ketersediaan data untuk FSVA di Provinsi NTB, NTT dan Jawa Timur dimana beberapa data dan indikator seperti angka kemiskinan, angka harapan hidup, perempuan buta huruf, akses ke listrik, akses ke air bersih hanya tersedia pada tingkat kabupaten saja bukan pada tingkat kecamatan. Tujuan dari analisis SAE ini adalah menyiapkan data dan indikator untuk pengembangan FSVA tingkat provinsi di 33 provinsi dengan tingkat analisis sampai dengan tingkat kecamatan. Data dan indikator yang akan di analisis adalah sebagai berikut: • • • • • Persentase penduduk hidup di bawah garis kemiskinan; Persentase rumah tangga tanpa akses listrik; Persentase rumah tangga tanpa akses ke air bersih; Perempuan Buta Huruf; Angka harapan hidup pada saat lahir;

• Rata-rata konsumsi kalori per kapita menurut golongan makanan dan golongan pengeluaran setiap bulan; dan • Rata-rata konsumsi protein per kapita menurut golongan makanan dan golongan pengeluaran setiap bulan.

1.3

Dataset

Model SAE yang digunakan untuk FSVA tingkat provinsi menggunakan 3 sumber data: Survei Sosial Ekonomi (SUSENAS) KOR Juli 2007, Juli 2008 dan Juli 2009: untuk menyediakan data tentang karakteristik individu dan rumah tangga. Beberapa variabel atau karakteristik individu dan rumahtangga tersebut selanjutnya digunakan sebagai variabel penjelas (explanatory variables) atau variabel dependent dalam model. Kombinasi kedua jenis variabel tersebut digunakan dalam merunning model. Jumlah sampel SUSENAS KOR adalah sekitar 270,000 yang ditujukan untuk estimasi kabupaten/kota dan provinsi. Jumlah sampel masing-masing kabupaten/kota berbedabeda. 1

data survei memiliki kelengkapan informasi yang lebih baik.4 Metode Metode indirect adalah metode yang paling sering digunakan dalam SAE karena kelebihannya dalam menggunakan berbagai sumber informasi tidak terbatas pada waktu dan cakupan wilayah. Tahap simulasi. Metode SAE yang digunakan untuk FSVA terdiri dari 2 tahap: 1. Estimasi ditujukan sampai tingkat kabupaten/kota dan provinsi. Tahap pembentukan modeling dan dekomposisi komponen random. ukuran-ukuran indikator yang dihasilkan akan sangat bermanfaat untuk keperluan targeting dari program-program pemerintah ataupun kebijakan-kebijakan yang berorientasi pada tingkat wilayah kecil. Berdasarkan Elbers (et. dataset survei (SUSENAS 2007-2009). Metode ini menggabungkan dua kriteria sumber data yang berbeda. Dalam tahap ini sebagian besar proses menjalankan bootstrapping dengan menggunakan model yang telah diestimasi pada tahap pertama dan menjalankan pengambilan berulang komponen random yang berbeda untuk mem-bootstrap dependent variables. Misalnya mengenai pengeluaran atau pendapatan. Untuk itu perlu dijalankan proses bootstrap yang dapat secara signifikan memperbaiki tingkat akurasi estimasi. 1. Meskipun demikian. Dalam analisis FSVA ini indikator sebagai dependent variable dan berupa proporsi. sehingga hanya bisa digunakan untuk estimasi di tingkat tertentu.al) karena sudah menyediakan aplikasi yang interaktif dan lebih efisien dalam teknisnya.• SUSENAS MODUL KONSUMSI Juli 2008: untuk menyediakan data tentang rata-rata pengeluaran makanan dan rata-rata konsumsi kalori/protein per kapita yang digunakan sebagai valiabel target (target variable). Indikator berupa proporsi dikarenakan data populasi hanya menyediakan pada tingkat agregasi (PODES 2008).al) dapat dikembangkan estimasi indikator berupa proporsi/persentase menggunakan model berikut: (1) ln y ch = E[ln y ch / x ch ] + µ dimana c h ch : subscript untuk cluster kecamatan : subscript untuk desa/kelurahan-h pada cluster c ych : besaran indikator y pada desa-h dan cluster c xch : karakteristik rumahtangga pada desa-h dalam cluster c Aproksimasi linear dari model (1) kemudian ditulis seperti berikut: (2) ˆ ln y ch = x ch a + µ ch juga disebut sebagai Beta model 2 . PODES mencakup seluruh desa di seluruh Indonesia. yaitu: dataset populasi (PODES 2008). Selain itu. penerapan model agregasi dari suatu tingkat ke tingkat yang lebih rendah cenderung tidak reliable serta tidak representatif. Jumlah sampel masing-masing kabupaten/kota dan provinsi berbeda-beda. Program penghitungan dimulai dengan estimasi fungsi indikator.000 rumah tangga untuk seluruh Indonesia. 2. Di sisi lain. Metode ini mempertimbangkan nilai bias yang signifikan karena adanya sampling error yang biasanya terjadi pada penghitungan indikatorindikator sosial yang didasarkan pada model survei. maka untuk analisis FSVA ini digunakan beberapa jenis data. Untuk bisa mengaplikasikan modeling dengan menggunakan model regresi. maka variabel-variabel regresor dalam model harus ada di kedua dataset (survei dan populasi). Data survei pada umumnya memiliki keterbatasan dalam jumlah observasi (sampel). Sesuai ketersediaan data. data yang diperoleh dari survei dan data yang diperoleh dari sensus (pencacahan lengkap). Pada tahap ini dihasilkan suatu dataset model yang akan digunakan selanjutnya. data sensus memiliki cakupan observasi yang menyeluruh (semua populasi) tetapi memuat informasi yang terbatas. • Potensi Desa (PODES) 2008: untuk menyediakan data pada tingkat masyarakat (desa/kelurahan) yang digunakan sebagai informasi mengenai lokasi (locational information). Jumlah sampel Susenas Modul adalah sekitar 270. Khusus PODES 2008 ditujukan untuk persiapan Sensus Penduduk 2010. Metode ini memanfaatkan kelebihan dari masing-masing jenis data untuk mendapatkan estimasi dari ukuran-ukuran indikator dan ketimpangan pada tingkat yang lebih rendah.al). Pada analisis FSVA ini akan digunakan metode Elbers (et. Diasumsikan basic left hand side variable dan cluster adalah tingkat agregasi pada tingkat yang sedikit lebih tinggi dan digunakan dalam dataset survei dan dataset populasi (SUSENAS). Karena kemampuannya dalam mengestimasi pada tingkat agregasi yang lebih rendah. Beberapa metode indirect yang pernah digunakan adalah metode Fay Herriot dan metode Elbers ( et.

d. Penyiapan Dataset 1 (data modeling): a. Elbers et. 1. dengan menggunakan identitas transformasi yang sudah clean. Melakukan matching pada level rumah tangga data Susenas KOR 2007-2008 (variabel individu kepala rumah tangga dan variable rumah tangga) dan variabel indikator. MS Office. Estimator variansi untuk εch dapat dihitung dengan: (7)  AB(1 − B)   AB  1 ˆ ˆ σ 2 ε . c. Selanjutnya mengecek hasil matching. sehingga estimasi dari ηc untuk tiap cluster tidak bisa diterapkan dan diperlukan suatu model yang ditetapkan untuk mengestimasi deviasi dari ηc.al memberi suatu estimasi variansi dari distribusi locational effect: ˆ var(σ η 2 ) = (5) ∑ c [a c 2 var(µ c.05*max{ε ch2}. sehingga tidak bisa secara nyata memasukkan locational variable ke dalam model survei. Residual dari persamaan (2) akan mengandung variansi locational variables. 2 E[µ c ]= σ η + var(ε c. Mengcollapse atau membuat variable agregat (rata-rata/proporsi) level kecamatan dari semua variable baru data poin d. karenanya informasi mengenai lokasi (locational information) tidak tersedia untuk semua wilayah dalam data sensus. e. 1. (4) maka µ 2 c. maka untuk mengestimasi karakteristik tersebut pada agregasi yang sama dengan data PODES digunakan pooling sample dari SUSENAS Panel 2007 dan 2008 serta SUSENAS KOR Juli 2009. Cluster kecamatan dalam dataset survei tidak semua terwakili dan tidak didesain ke arah tersebut. Proses simulasi menggunakan paket program yang pernah digunakan untuk poverty mapping yaitu Povmap.ch =  + Var (r )    1 + B 2   (1 + B) 3    Dalam persamaan model (2) metode OLS digunakan untuk mengestimasi parameter model dengan asumsi klasik bahwa sisaan bersifat homocedasticity.Exe/PovmapPacker. Mengenerate variable baru dari variable PODES pada data poin c. Seluruh analisis FSVA ini menggunakan berbagai SOFTWARE diantaranya: STATA. b. Persamaan model (7) dapat mengindikasikan pengingkaran asumsi penggunaan OLS dalam model (2). (3) µ ch = η c + ε ch Di sini ηc adalah komponen cluster kecamatan dan εch adalah komponen desa/kelurahan. Visual Foxpro.1 Dataset dibedakan atas Urban dan Rural. Dalam GLS variance-covariance matrix merupakan suatu diagonal block matrix.Exe. 2 ˆ ) + b c 2 var(τ c 2 )] µ ch Ketika locational effect ηc tidak ada. = η c + ε c.al. Survei hanya merupakan sub sampel dari keseluruhan populasi. Dengan menggunakan arithmetic expectation dari persamaan (3) atas cluster c. Mengenerate variabel baru (termasuk dummy) dari variabel SUSENAS KOR. sisa residual εch dapat dijelaskan dengan suatu model logistik yang meregresikan transformasi εch dengan karakteristik h: (6)  e 2 ch  T ˆ ln   = Z ch α + rch 2  A − e ch    juga disebut Alpha model.Dikarenakan tidak semua karakteristik di survei ada pada data PODES. f. ) = σ η 2 + τ c2 Diasumsikan ηc dan εch berdistribusi normal dan independen satu sama lain. Melakukan matching dan penggabungan data PODES dengan data poin c. Membuat variabel agregasi pada level desa data poin b. dan 3 .4. sehingga diperlukan regresi GLS. Dimana A ekuivalen dengan 1. persamaan (3) kemudian menjadi = + ε ch Sesuai dengan Elbers et.

Menyeleksi variabel akhir yang masuk dalam model beta.08. b.08. Selanjutnya mengecek hasil matching. Persentase rumah tangga tanpa akses listrik 1. File ikutan yang muncul adalah file PLI.08. Menghitung agregat residual level kecamatan. Melakukan running program POVMAP dengan input PDA file yang dibaca secara otomatis dari hasil POVMAPPACKER. Ketinggian dari permukaan laut Susenas Kor 07. Menyiapkan dataset 1 dan dataset 2 dalam format STATA. Jenis dinding terluas 8. kab/kota.g. 3. b. Melakukan regresi stepwise kembali ln y terhadap variabel survei yang terseleksi (point b) dengan variable agregat (poin c). kemudian memasukkan variabel tersebut dalam model alpha (ditambah variable _Yhat_). Melakukan regresi stepwise (ln dependent variable) terhadap seluruh variable t-tes dari data survei level desa (mean/proporsi). d. Jumlah Kepala Keluarga pengguna listrik 10. 4. Tingkat pendidikan Kepala rumah tangga 3. Status penguasaan bangunan tempat tinggal 6. kecamatan. dan e. Model *. Hasil output juga dilengkapi dengan standard error hasil simulasi.09 Juli Susenas Kor 07. Mengcollapse atau membuat variable agregat (rata-rata/proporsi) level kecamatan dari semua variabel baru data poin b. Wilayah desa berada dalam/sekitar/luar hutan 4 . Melakukan matching dan penggabungan pada level kecamatan data poin f dan data poin d.09 Juli Susenas Kor 07. Menyeleksi variable yang memiliki korelasi yang kuat (indikatornya adalah sebaran sisaan yang terpola). b. c.09 Juli Podes 08 Podes 08 Podes 08 Sumber data 11.09 Juli Susenas Kor 07. Menyeleksi variabel yang masuk dalam model beta. Fasilitas tempat buang air besar 9.08.08. dan provinsi. Melakukan regresi ln residual kecamatan terhadap semua variabel independent. Mengenerate variable baru dari variable PODES pada data poin a (sama persis seperti poin e pada penyiapan dataset 1). Sumber penerangan 5.08. Lapangan pekerjaan Kepala rumah tangga 4. Dengan Dos Prompt.08. Menghitung residual dari model d. dan c.08. Simulasi Dataset 2: a. Isi file ini adalah nilai estimasi indikator pada level desa/kelurahan. Dengan file konfigurasi ini selanjutnya dapat ditentukan ukuran indikator yang ingin didapatkan. 2. selanjutnya melakukan regresi stepwise mean ln y terhadap seluruh variabel agregat kecamatan. dengan menggunakan identitas transformasi yang sudah clean.09 Juli Susenas Kor 07.txt adalah text file yang berisi definisi model beta dan alpha. Modelling pada Dataset 1: a. Selanjutnya mengecek hasil matching. Variabel yang Digunakan untuk Menggambarkan Indikator FSVA Nama Variabel dari kuesioner A. Dari data poin e (data PODES) pada penyiapan dataset 1.09 Juli Susenas Kor 07.09 Juli Susenas Kor 07. Hubungan dengan Kepala rumah tangga 2.pcf adalah file konfigurasi untuk menghasilkan output yang diinginkan. Jenis atap terluas 7. File ikutan yang muncul adalah PLO sedangkan –vAB –r -0100 adalah option. Menghitung rata-rata ln y pada level kecamatan. Menyeleksi variable yang masuk dalam model beta.POU yang dapat diakses dengan MS Excel. dilakukan penggabungan data dengan data agregasi PODES level kecamatan menggunakan ID transformasi. OUT.09 Juli Susenas Kor 07. Konfigurasi *. dijalankan Program POVMAPPACKER yang berfungsi menghasilkan file PDA (biasanya dihasilkan oleh SAS). Output dari hasil simulasi adalah file *. PRESC. Penyiapan Dataset 2 (data simulasi): a.

pompa/sumur terlindung) 2.08.09 Juli Susenas Kor 07.09 Juli Susenas Kor 07. Apakah melakukan kegiatan smg terakhir 6.09 Juli Susenas Kor 07.08. sementara tidak bekerja 7.08.09 Juli Podes 08 Podes 08 Podes 08 Susenas Kor 07. Status/kedudukan dalam pekerjaan utama Susenas Kor 07.08.09 Juli Susenas Kor 07.08.08.08. Jumlah minimarket/restoran/toko. Jumlah Kepala Keluarga pengguna listrik 6.08.08. Perempuan Buta Huruf Umur Dapat membaca dan menulis Hubungan dengan Kepala rumah tangga Tingkat pendidikan Kepala rumah tangga Lapangan pekerjaan Kepala rumah tangga Sumber penerangan Status penguasaan bangunan tempat tinggal Jenis atap terluas Jenis dinding terluas Fasilitas tempat buang air besar Jumlah Kepala Keluarga pengguna listrik Ketinggian dari permukaan laut D. Rata-rata pengeluaran makanan/kapita/bulan 10.08.09 Juli Susenas Kor 07.09 Juli Susenas Kor 07.09 Juli Susenas Kor 07.08. Ketinggian dari permukaan laut 7.08.08. Status penguasaan bangunan tempat tinggal 4.08. Sumber penerangan 3.Nama Variabel dari kuesioner 12. Jenjang pendidikan yg pernah/sedang diduduki 2.09 Juli Susenas Kor 07. Rata-rata pengeluaran non makanan/kpt/bln 13. Persentase penduduk hidup di bawah garis kemiskinan Susenas Kor 07.08.09 Juli Susenas Kor 07.08. Lapangan usaha utama 8.09 Juli Susenas Kor 07. Jumlah anggota rumahtangga 5.09 Juli Podes 08 Podes 08 1. Hubungan dengan kepala rumahtangga 4.09 Juli Susenas Kor 07.09 Juli Susenas Kor 07.08.08.09 Juli Susenas Kor 07. Jumlah Rumah Tangga yang menggunakan telepon B. Wilayah desa berada dlm/sekitar/luar hutan C. Apakah punya pekerjaan/usaha.08. Proporsi penduduk/Kepala Keluarga bekerja di pertanian 14. Jumlah pasar permanent/tidak permanen 13.09 Juli Susenas Kor 07.09 Juli Susenas Kor 07.08.09 Juli Susenas Kor 07. Fasilitas tempat buang air besar 5. Jumlah keluarga penerima ASKESKIN 1 tahun yang lalu 5 .09 Juli Susenas Kor 07.08. Rata-rata konsumsi kalori/kapita/bulan 11. Sumber air minum (air bersih = air kemasan/ air isi ulang/leding meteran/leding eceran/ sumur bor.09 Juli Susenas Kor 07.09 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Podes 08 Podes 08 9.09 Juli Susenas Kor 07.dll Sumber data Podes 08 Podes 08 Podes 08 14. Persentase rumah tangga tanpa akses ke air bersih 1.08. Rata-rata konsumsi protein/kapita/bulan 12. Jenis kelamin 3.

Rata-rata konsumsi kalori/protein per kapita menurut golongan makanan dan golongan pengeluaran setiap bulan 1. Daftar isian yang kurang baik pada survei atau sensus atau daftar isian dengan variabel yang terlalu rinci akan menyebabkan tingginya kesalahan akibat faktor manusia. Berapa kali mendapat imunisasi F. sedangkan pada survei sampel terjadi kesalahan yang bersumber dari sampling error (standard error) dan non sampling error. Umur saat perkawinan pertama 2.09 Juli Susenas Kor 07. seperti: a. Total pengeluaran makanan sebulan 2.08.Nama Variabel dari kuesioner E.09 Juli Susenas Kor 07.08. Variabel yang dibootstrap adalah variabel dependent atau variabel indikator yang diestimasi. Total pengeluaran makanan & non makan sebulan Sumber data Susenas Kor 07. Pada survei sampel terjadi kesalahan antara lain karena metode sampling yang tidak tepat (sampling error) dan kesalahan yang disebabkan oleh faktor manusia seperti kesalahan yang disebut pada butir a (non sampling error).08.08. Penduga untuk nilai Standard Error yang merupakan indikator untuk Sampling Error diperoleh dari nilai standard deviasi dari indikator seluruh kemungkinan sampel yang disimulasi. lahir hidup 3. Total pengeluaran sayur/kacang/buah sebulan 7. Jumlah anak kandung dilahirkan.09 Juli Susenas Kor 07.5 Hasil dan Realibilitas SAE Sampling Error (Standard Error) dan Non Sampling Error dalam Survei/Sensus Ada beberapa kesalahan (Error) dalam kegiatan survei atau sensus. Pada registrasi dan sensus lengkap tidak dijumpai kesalahan yang disebabkan karena penarikan sampel. dan b. Dalam hal ini indikator tersebut seperti persentase rumah tangga yang tidak ada akses listrik dan persentase rumah tangga tanpa air bersih. Total pengeluaran padi-padian sebulan 3. Sampling Error (Standard Error) dalam SAE Seperti yang dijelaskan sebelumnya. masih hidup 4.09 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli 1. Total pengeluaran umbi-umbian sebulan 4. Total pengeluaran telur & susu sebulan 6. Total pengeluaran ikan/udang/cumi/kerang/ daging sebulan 5.08. Kenaikan besaran sampel akan menurunkan sampling error tetapi sebaliknya akan memperbesar non sampling error. Total pengeluaran minyak & lemak sebulan 8.09 Juli Susenas Kor 07. Proses pengambilan berulang ini dalam teknik penarikan sampel dapat disamakan dengan proses membuat all possible sample (seluruh kemungkinan sampel yang terpilih). Keseimbangan antara keduanya perlu dipertimbangkan dalam mendesain suatu survei terutama dalam penentuan besarnya sampel sehingga dapat menggambarkan populasi.08. bahwa dalam tahap simulasi sebagian besar proses menjalankan bootstrapping dengan menggunakan model yang telah diestimasi pada tahap pertama dan menjalankan pengambilan berulang komponen random yang berbeda untuk mem-bootstrap dependent variables. Penolong kelahiran terakhir 7.09 Juli Susenas Kor 07.08. Angka harapan hidup pada saat lahir 1. Penolong kelahiran pertama 6. 6 . Pada sensus terjadi adanya kesalahan seperti salah isian dan pengolahan atau karena responden dan petugas yang cukup banyak. Nilai indikator sendiri diperoleh dari rata-rata seluruh indikator kemungkinan sampel tersebut. Jumlah anak kandung dilahirkan.09 Juli Susenas Kor 07. Makin besar sampel berarti makin banyak responden dan petugas sehingga kemungkinan makin besar kesalahan pada pengumpulan informasi. sdh meninggal 5. Jumlah anak kandung dilahirkan.

Ogan Ilir 11. Hulu Sungai Utara 09. Muara Enim 04. Hulu Sungai Tengah 08. Lahat 05. Jumlah Kecamatan berdasarkan Range Standard Error 2 Indikator di 2 Provinsi Range Standard Error Indikator Provinsi/Kabupaten/Kota < 20% Persentase rumah tangga tanpa akses listrik (Daerah Pedesaan/rural) Sumatera Selatan 01. Balangan 71. Ogan Komering Ilir 03. Kota Baru 03. Tanah Laut 02. Ogan Komering Ulu 02. Empat Lawang 71.Untuk melengkapi laporan metodologi dan sebagai gambaran umum. Ogan Komering Ulu 02. Ogan Komering Ulu Selatan 09. Muara Enim 04.1.1): Tabel 6. Banjarmasin 72. Prabumulih 73. Tanah Bumbu 11. Barito Kuala 05. maka dijelaskan jumlah kecamatan menurut beberapa indikator dan range standard error pada kabupaten di 2 provinsi sebagai contoh (lihat tabel 6. Banyuasin 08. Tabalong 10. Ogan Komering Ulu Timur 10. Palembang 72. Ogan Komering Ilir 03. Lubuk Linggau 8 18 18 12 18 11 11 10 13 16 2 0 2 4 3 3 0 3 5 3 0 4 9 7 0 5 2 1 1 2 0 0 1 0 0 0 0 0 0 0 0 0 1 0 1 20%-40% > 40% Persentase rumah tangga tanpa akses ke air bersih (Daerah Pedesaan/rural) Kalimantan Selatan 01. Banjar 04. Banjar Baru 9 3 12 13 10 9 10 7 10 4 6 0 0 0 17 7 4 2 2 1 3 2 6 2 0 1 0 0 0 0 0 0 0 0 0 0 0 1 0 Perempuan Buta Huruf (Daerah Perkotaan/urban) Sumatera Selatan 01. Musi Rawas 06. Lahat 2 1 3 1 1 2 0 0 1 3 2 1 7 . Musi Banyuasin 07. Pagar Alam 74. Hulu Sungai Selatan 07. Tapin 06.

Empat Lawang 71. Tabalong 10. Banjar Baru 0 1 1 1 1 3 1 1 1 2 0 5 0 3 0 2 2 1 1 1 4 2 1 1 0 5 0 0 1 1 0 2 0 0 1 1 0 0 0 Catatan: Daerah urban/rural berdasarkan desa/kelurahan dalam kecamatan. Hulu Sungai Utara 09. Ogan Komering Ulu Selatan 09. Banyuasin 08. Kota Baru 03. Hulu Sungai Tengah 08. dan beberapa diatas 40%. Hulu Sungai Selatan 07. Meskipun tabel diatas kondisi pada 2 provinsi. Tanah Bumbu 11. Banjarmasin 72. Berdasarkan tabel diatas dapat diambil kesimpulan. Banjar 04. Balangan 71. Prabumulih 73. jadi jumlah kecamatan urban/rural adalah tidak selalu sama. Lubuk Linggau 0 1 1 0 1 1 0 11 1 1 4 0 0 3 2 1 2 1 5 3 1 3 1 1 0 1 0 0 0 0 0 0 0 Perempuan Buta Huruf (Daerah Perkotaan/urban) Kalimantan Selatan 01.05. Musi Banyuasin 07. Palembang 72. Pagar Alam 74. Tanah Laut 02. Ogan Komering Ulu Timur 10. Ogan Ilir 11. Relatif sebagian kecil berada diantara 20-40%. diantaranya adalah nilai standard error untuk beberapa indikator (Persentase rumah tangga tanpa akses listrik dan persentase perempuan buta huruf) secara umum baik di daerah perkotaan (urban) dan pedesaan (rural) relatif cukup baik. dimana sebagian besar berada di bawah 20%. Barito Kuala 05. Tapin 06. 8 . tapi setidaknya sudah dapat memberikan contoh bagaimana nilai akurasi atau standard error pada level kecamatan. Musi Rawas 06.

9 .